CN107944503A - 一种基于图像识别的城市数据采集方法及系统 - Google Patents
一种基于图像识别的城市数据采集方法及系统 Download PDFInfo
- Publication number
- CN107944503A CN107944503A CN201711332922.2A CN201711332922A CN107944503A CN 107944503 A CN107944503 A CN 107944503A CN 201711332922 A CN201711332922 A CN 201711332922A CN 107944503 A CN107944503 A CN 107944503A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- item
- data
- management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的城市数据采集方法及系统,采用了图像识别相关领域的技术方法,通过结合人工智能和机器学习的技术体系,使影像数据能够真正提取出来应用于城市分析当中,达到了实时获取城市数据的技术体系,具有大数据+人工智能的技术优势,和借助城市影像数据真正提升城市运行管理能力意义。
Description
技术领域
本公开涉及城市规划数据采集技术领域,具体涉及一种基于图像识别的城市数据采集方法及系统。
背景技术
现有技术中,在大数据的数据采集领域中,都是基于结构化或半结构化的数据集或数据文件进行数据采集,缺乏直接基于图像识别的数据采集技术体系。而图像识别的技术体系在城市运行监控领域只能达到初步的人群识别能力应用,没有针对城市整体数据的数据分析识别技术体系。
发明内容
鉴于上述问题,提出了本公开以便提供一种克服上述问题或者至少部分地解决上述问题的基于图像识别的城市数据采集方法及系统。
根据本公开的一个方面,提供了一种基于图像识别的城市数据采集方法,其包括:
获取图像,建立图像识别知识库,并标注需要提取的信息项;
根据所述信息项,基于图像识别知识库和遗传算法,对所述图像进行信息提取,得到图像信息;
根据城市信息编目,对所述图像信息进行信息分类;
根据城市数据标准对所述分类后的图像信息进行数据清洗和指标模型转换,得到城市数据。
所述方法还包括:
对于所述图像中未能提取到的信息项,纳入图像识别回收库;
对所述图像识别回收库中信息项,采用机器学习方法建立图像识别的所述信息项。
所述标注需要提取的信息项,具体包括:
对于获取到的图像信息,预先对图像中的文件信息进行初步识别;
基于图像的命名规则进行正则表达映射,提取所述城市信息编目相关信息;
将所述相关信息作为需要提取的信息项。
所述图像识别知识库,根据如下方式建立:
对所述图像进行图像块的分割;已经成功分割的图像块进行存储,保存图像块关联的原始文件及图像块的图形特征值,建立所述图像识别知识库。
所述基于遗传算法对所述图像进行信息提取,包括:
对所述图像中模式匹配搜索的位置点进行实数编码;所述实数编码的每一位等位基因的范围根据匹配位置的搜索范围确定;
对所述图像中欲分割的图像块种群进行随机初始化;
计算所述种群中个体的适应度;
通过选择、交叉、变异遗传操作算子对当前所述种群进行操作,产生新的染色体;
判断所述种群是否收敛,如果收敛则停止进化;
判断所述种群是否达到了规定的繁衍代数,如果达到则停止并返回最好的染色体,作为图像块。
所述指标模型转换,包括:
基础指标与计算指标,指标体系实现分为指标分组、指标项、指标数据、维度关联;
当所述图像完成数据提取后,将具体提取的数据与指标体系中的指标项进行关联,完成指标模型转换。
根据本公开的另一个方面,提供了一种基于图像识别的城市数据采集系统,包括:
图像文件管理单元,用于系统接入的图像文件管理及初步的图像信息提取;
图像识别管理单元,用于针对所述图像中的信息进行识别提取管理;
城市数据管理单元,用于实现城市数据的管理功能;
数据库管理单元,用于建立和管理原始文件信息库、图像识别知识库、图像识别算法库、图像识别回收库、城市信息编目库和城市数据指标库。
所述图像文件管理单元,具体包括:
文件接入模块,用于实现所述图像文件的接入管理;通过在线文件上传、文件压缩包上传、FTP下载、件服务器下载、图像流方式接收文件;
原始信息提取模块,用于基于所述图像的文件信息进行初步的信息提取,并针对提取的信息项进行初步的图像过滤;
城市编目信息项预定义模块,用于将提取的信息项映射到城市编目信息体系中。
所述图像识别管理单元,具体包括:
分类特征识别模块,用于基于所述图像的特征进行特征提取,图像分割,并针对分割结构内容进行信息项特征识别过滤;
信息项提取模块,用于基于分割的图像进行城市信息项提取;
编目关联模块,用于基于提取的城市信息项关联城市信息编目体系;
指标关联模块,用于将提取信息项中的指标数据进行指标体系的关联;
计算资源管理模块,用于图像识别的任务节点计算资源占用情况管理;
任务调度管理模块,用于针对图像识别任务的分布式的任务拆分,任务的启动、停止、调度管理,实现整体的任务监控管理;
日志管理模块,用于针对图像识别任务进行日志管理,包括运行日志,异常日志;
存储空间管理模块,用于针对图像识别占用的临时文件存储空间进行管理;
知识库管理模块,用于针对图像识别历史提取内容进行索引建库,实现同类图像的识别或者是总图、子图的关系识别;
识别算法管理模块,用于针对图像识别中的计算方法进行管理,定义算法的输入、输出、过程描述、算法包,并记录算法包的使用频率及准确率。
所述城市数据管理单元,具体包括:
城市编目管理模块,用于实现城市编目数据的管理;
指标体系管理模块,用于实现城市指标的汇聚管理,实现内容包括基础指标、计算指标,指标体系;具体实现分为指标分组、指标项、指标数据、维度关联;
城市数据管理模块,用于针对提取的城市数据进行汇聚管理。
根据本公开上述的一个或多个技术方案,其提供了一种基于图像识别的城市数据采集的方案,采用了图像识别相关领域的技术方法,通过结合人工智能和机器学习的技术体系,使影像数据能够真正提取出来应用于城市分析当中,达到了实时获取城市数据的技术体系,具有大数据+人工智能的技术优势,和借助城市影像数据真正提升城市运行管理能力意义。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本公开的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本公开一个实施例的基于图像识别的城市数据采集方法的流程图;
图2示出了本公开一个实施例中城市的原始遥感图像;
图3示出了本公开一个实施例中城市数据分析展现结果图;
图4示出了根据本公开一个实施例的基于图像识别的城市数据采集系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本公开各个实施例的方案,通过借助大数据的海量数据采集能力,结合城市数据编目体系,针对城市影像的识别专题,实现图像获取-》城市数据识别-》大数据采集的整体流程。
而本专利的实现目标,就是通过改善图像识别的技术弥补城市数据识别采集的领域空白,实现基于城市影像的城市数据采集功能。
实施例一
图1示出了本实施例的基于图像识别的城市数据采集方法流程图,参照图1,所述方法可以包括:
步骤11,获取图像,建立图像识别知识库,并标注需要提取的信息项。
系统通过图像文件管理模块接入图像信息后,需要预先对图像中的文件信息进行初步识别,依据原始文件信息库中的,首先基于图像的命名规则进行正则表达映射,提取基础城市编目相关信息,如城市名称、时间、图像类别等内容,为后续的图像信息过滤提取提供数据输入。
步骤12,根据所述信息项,基于图像识别知识库和遗传算法,对所述图像进行信息提取,得到图像信息。
图像识别知识库是对已经成功分割的图像块进行存储,保存图像块关联的原始文件及图像块的图形特征值,为图像数据的过滤提供支持。
图像识别的信息提取。图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前,在图像识别的发展中,主要有三种识别方法:统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术,现有的图像分割的方法有许多种,如基于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等。
传统的图像识别匹配分割方法如模板匹配法等在时间和精度上无法同时满足运行效率要求。但是遗传算法具有自适应的迭代寻优搜索和直接对结构对象进行操作的算法特点,同时也是一种基于种群进化的全局优化搜索算法,具有隐含的并行性。通过群体适应度控制的遗传操作,使群体不断优化,从而找到满意解或最优解。因此本系统利用遗传算法的迭代寻优搜索作为图像模板匹配的搜索策略,在基于标准遗传算法的图像匹配基础上,改进了基于混沌遗传算法的图像匹配和基于免疫的小生遗传算法的多目标图像匹配。通过实验得到,混沌遗传算法可以克服标准遗传算法过早收敛的缺点;而将免疫的小生境技术和遗传算法结合使用,维持了多样性。
遗传算法的信息提取:基于遗传算法的信息提取大概包括以下过程,
对模式匹配搜索的位置点进行实数编码。编码的每一位等位基因的范围可根据匹配位置的搜索范围而定。
对种群进行随机初始化,即对染色体初始化。
计算种群中个体的适应度,为进化做准备。
通过选择、交叉、变异等遗传操作算子对当前种群进行操作,易产生新的染色体。
判断种群是否收敛,如果收敛则停止进化。
判断种群是否达到了规定的繁衍代数,如果达到则算法停止并返回最好的染色体。
经过以上过成可以将基础图像分割成为具体的图像块提供后续的指数计算模型进行测算,如灯光指数计算模型。
基于灯光指数计算模型可以提取出图像信息中的城市、城市繁荣情况对比度、等指标信息项。
城市图像识别库的建立结合遗传算法实现了城市数据的提取。
步骤13,根据城市信息编目,对所述图像信息进行信息分类。
城市数据编目的自动丰富体系为后续的信息项精准识别提供支撑。
步骤14,根据城市数据标准对所述分类后的图像信息进行数据清洗和指标模型转换,得到城市数据。
城市化指标模型包括基础指标与计算指标,指标体系实现分为指标分组、指标项、指标数据、维度关联等内容。当城市图像完成数据提取后,可将具体提取的数据与指标体系中的指标项进行关联,如城市面积,道路拥堵情况,绿地面积等。
本实施例中,对于所述图像中未能提取到的信息项,纳入图像识别回收库;对所述图像识别回收库中信息项,采用机器学习方法建立图像识别的所述信息项。
本申请各个实施例中,基于图像识别库和遗传算法的信息提取,可实现城市数据的精准识别,提高了图像识别准确度。信息项纳入学习库,保证了图像信息的完整,为后续的信息补全提高实现效率。依照城市信息编目进行信息分类,实现了数据采集到模型关联的自动实现,省去了传统数据采集的人工处理工作,大大提升了数据整合的效率。
根据本实施例的方案,可以进行城市数据的采集和分析。举例说明,如图2所示,为城市的原始遥感图像。图3为城市数据分析展现结果图。从图中可以对比分析各个城市之间的发展变化情况,为城市经济分析提供数据依据。
实施例二
如图4所示,其中公开了一种基于图像识别的城市数据采集系统,其中,
图像文件管理单元21,用于系统接入的图像文件管理及初步的图像信息提取;
图像识别管理单元22,用于针对所述图像中的信息进行识别提取管理;
城市数据管理单元23,用于实现城市数据的管理功能;
数据库管理单元24,用于建立和管理原始文件信息库、图像识别知识库、图像识别算法库、图像识别回收库、城市信息编目库和城市数据指标库。
进一步的,所述图像文件管理单元21,具体包括:
文件接入模块,用于实现所述图像文件的接入管理;通过在线文件上传、文件压缩包上传、FTP下载、件服务器下载、图像流方式接收文件;
原始信息提取模块,用于基于所述图像的文件信息进行初步的信息提取,并针对提取的信息项进行初步的图像过滤;
城市编目信息项预定义模块,用于将提取的信息项映射到城市编目信息体系中。
进一步的,所述图像识别管理单元22,具体包括:
分类特征识别模块,用于基于所述图像的特征进行特征提取,图像分割,并针对分割结构内容进行信息项特征识别过滤;
信息项提取模块,用于基于分割的图像进行城市信息项提取;
编目关联模块,用于基于提取的城市信息项关联城市信息编目体系;
指标关联模块,用于将提取信息项中的指标数据进行指标体系的关联;
计算资源管理模块,用于图像识别的任务节点计算资源占用情况管理;
任务调度管理模块,用于针对图像识别任务的分布式的任务拆分,任务的启动、停止、调度管理,实现整体的任务监控管理;
日志管理模块,用于针对图像识别任务进行日志管理,包括运行日志,异常日志;
存储空间管理模块,用于针对图像识别占用的临时文件存储空间进行管理;
知识库管理模块,用于针对图像识别历史提取内容进行索引建库,实现同类图像的识别或者是总图、子图的关系识别;
识别算法管理模块,用于针对图像识别中的计算方法进行管理,定义算法的输入、输出、过程描述、算法包,并记录算法包的使用频率及准确率。
进一步的,所述城市数据管理单元23,具体包括:
城市编目管理模块,用于实现城市编目数据的管理;
指标体系管理模块,用于实现城市指标的汇聚管理,实现内容包括基础指标、计算指标,指标体系;具体实现分为指标分组、指标项、指标数据、维度关联;
城市数据管理模块,用于针对提取的城市数据进行汇聚管理。
进一步的,所述数据库管理单元24,具体包括:
原始文件信息库,用于储存所有接收/采集到的文件,并保存原始信息提取出的信息项如文件名、城市、信息来源、图像类别、图像格式、提取时间等内容。
图像识别知识库,用于对已经成功分割的图像块进行存储,保存图像块关联的原始文件及图像块的图形特征值,为图像数据的过滤提供支持。
图像识别算法库,用于存储所有图像识别所用到的算法功能,记录算法输入、输出、过程描述、算法包、使用频率,准确率等信息。
图像识别回收库,用于对未能成功识别分割的图像进行存储。
城市信息编目库,用于存储基础城市编目包括人口、经济、产业、区域、交通、科技、公共安全、文化等信息,主题城市编目需要依照城市特征单独建立,如旅游用地、种植用地等。
城市数据指标库,用于存储基础指标、计算指标两类指标数据,其中两类指标的指标体系实现分为指标分组、指标项、指标数据、维度关联等内容。
本公开各个实施例中,提供了一种基于图像识别的城市数据采集的方案,采用了图像识别相关领域的技术方法,通过结合人工智能和机器学习的技术体系,使影像数据能够真正提取出来应用于城市分析当中,达到了实时获取城市数据的技术体系,具有大数据+人工智能的技术优势,和借助城市影像数据真正提升城市运行管理能力意义。
基于图像识别库和遗传算法的信息提取,可实现城市数据的精准识别,提高了图像识别准确度。信息项纳入学习库,保证了图像信息的完整,为后续的信息补全提高实现效率。依照城市信息编目进行信息分类,实现了数据采集到模型关联的自动实现,省去了传统数据采集的人工处理工作,大大提升了数据整合的效率。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (10)
1.一种基于图像识别的城市数据采集方法,其特征在于,包括:
获取图像,建立图像识别知识库,并标注需要提取的信息项;
根据所述信息项,基于图像识别知识库和遗传算法,对所述图像进行信息提取,得到图像信息;
根据城市信息编目,对所述图像信息进行信息分类;
根据城市数据标准对所述分类后的图像信息进行数据清洗和指标模型转换,得到城市数据。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
对于所述图像中未能提取到的信息项,纳入图像识别回收库;
对所述图像识别回收库中信息项,采用机器学习方法建立图像识别的所述信息项。
3.如权利要求1所述的方法,其特征在于,所述标注需要提取的信息项,具体包括:
对于获取到的图像信息,预先对图像中的文件信息进行初步识别;
基于图像的命名规则进行正则表达映射,提取所述城市信息编目相关信息;
将所述相关信息作为需要提取的信息项。
4.如权利要求1所述的方法,其特征在于,所述图像识别知识库,根据如下方式建立:
对所述图像进行图像块的分割;已经成功分割的图像块进行存储,保存图像块关联的原始文件及图像块的图形特征值,建立所述图像识别知识库。
5.如权利要求4所述的方法,其特征在于,所述基于遗传算法对所述图像进行信息提取,包括:
对所述图像中模式匹配搜索的位置点进行实数编码;所述实数编码的每一位等位基因的范围根据匹配位置的搜索范围确定;
对所述图像中欲分割的图像块种群进行随机初始化;
计算所述种群中个体的适应度;
通过选择、交叉、变异遗传操作算子对当前所述种群进行操作,产生新的染色体;
判断所述种群是否收敛,如果收敛则停止进化;
判断所述种群是否达到了规定的繁衍代数,如果达到则停止并返回最好的染色体,作为图像块。
6.如权利要求1所述的方法,其特征在于,所述指标模型转换,包括:
基础指标与计算指标,指标体系实现分为指标分组、指标项、指标数据、维度关联;
当所述图像完成数据提取后,将具体提取的数据与指标体系中的指标项进行关联,完成指标模型转换。
7.一种基于图像识别的城市数据采集系统,其特征在于,包括:
图像文件管理单元,用于系统接入的图像文件管理及初步的图像信息提取;
图像识别管理单元,用于针对所述图像中的信息进行识别提取管理;
城市数据管理单元,用于实现城市数据的管理功能;
数据库管理单元,用于建立和管理原始文件信息库、图像识别知识库、图像识别算法库、图像识别回收库、城市信息编目库和城市数据指标库。
8.如权利要求7所述的系统,其特征在于,所述图像文件管理单元,具体包括:
文件接入模块,用于实现所述图像文件的接入管理;通过在线文件上传、文件压缩包上传、FTP下载、件服务器下载、图像流方式接收文件;
原始信息提取模块,用于基于所述图像的文件信息进行初步的信息提取,并针对提取的信息项进行初步的图像过滤;
城市编目信息项预定义模块,用于将提取的信息项映射到城市编目信息体系中。
9.如权利要求7所述的系统,其特征在于,所述图像识别管理单元,具体包括:
分类特征识别模块,用于基于所述图像的特征进行特征提取,图像分割,并针对分割结构内容进行信息项特征识别过滤;
信息项提取模块,用于基于分割的图像进行城市信息项提取;
编目关联模块,用于基于提取的城市信息项关联城市信息编目体系;
指标关联模块,用于将提取信息项中的指标数据进行指标体系的关联;
计算资源管理模块,用于图像识别的任务节点计算资源占用情况管理;
任务调度管理模块,用于针对图像识别任务的分布式的任务拆分,任务的启动、停止、调度管理,实现整体的任务监控管理;
日志管理模块,用于针对图像识别任务进行日志管理,包括运行日志,异常日志;
存储空间管理模块,用于针对图像识别占用的临时文件存储空间进行管理;
知识库管理模块,用于针对图像识别历史提取内容进行索引建库,实现同类图像的识别或者是总图、子图的关系识别;
识别算法管理模块,用于针对图像识别中的计算方法进行管理,定义算法的输入、输出、过程描述、算法包,并记录算法包的使用频率及准确率。
10.如权利要求7所述的系统,其特征在于,所述城市数据管理单元,具体包括:
城市编目管理模块,用于实现城市编目数据的管理;
指标体系管理模块,用于实现城市指标的汇聚管理,实现内容包括基础指标、计算指标,指标体系;具体实现分为指标分组、指标项、指标数据、维度关联;
城市数据管理模块,用于针对提取的城市数据进行汇聚管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711332922.2A CN107944503A (zh) | 2017-12-13 | 2017-12-13 | 一种基于图像识别的城市数据采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711332922.2A CN107944503A (zh) | 2017-12-13 | 2017-12-13 | 一种基于图像识别的城市数据采集方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944503A true CN107944503A (zh) | 2018-04-20 |
Family
ID=61943020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711332922.2A Pending CN107944503A (zh) | 2017-12-13 | 2017-12-13 | 一种基于图像识别的城市数据采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944503A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489594A (zh) * | 2018-05-14 | 2019-11-22 | 北京松果电子有限公司 | 图像视觉标注方法、装置、存储介质及设备 |
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114385A (zh) * | 2007-08-07 | 2008-01-30 | 深圳先进技术研究院 | 一种数字城市全自动生成的方法 |
CN101452072A (zh) * | 2008-12-26 | 2009-06-10 | 东南大学 | 一种用于土地监测的电子信息化系统及其方法 |
CN102496034A (zh) * | 2011-11-29 | 2012-06-13 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN102880754A (zh) * | 2012-09-21 | 2013-01-16 | 武汉理工大学 | 基于遗传算法的土地利用分形维数作用尺度的识别方法 |
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
US8655070B1 (en) * | 2009-11-04 | 2014-02-18 | Google Inc. | Tree detection form aerial imagery |
CN103839242A (zh) * | 2014-01-15 | 2014-06-04 | 中国科学院电子学研究所 | 一种基于高维索引的图像快速超分辨率增强方法 |
CN104077411A (zh) * | 2014-07-14 | 2014-10-01 | 中国科学院遥感与数字地球研究所 | 遥感卫星数据处理方法和系统 |
US9619734B2 (en) * | 2013-09-11 | 2017-04-11 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
-
2017
- 2017-12-13 CN CN201711332922.2A patent/CN107944503A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114385A (zh) * | 2007-08-07 | 2008-01-30 | 深圳先进技术研究院 | 一种数字城市全自动生成的方法 |
CN101452072A (zh) * | 2008-12-26 | 2009-06-10 | 东南大学 | 一种用于土地监测的电子信息化系统及其方法 |
US8655070B1 (en) * | 2009-11-04 | 2014-02-18 | Google Inc. | Tree detection form aerial imagery |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN102496034A (zh) * | 2011-11-29 | 2012-06-13 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN102880754A (zh) * | 2012-09-21 | 2013-01-16 | 武汉理工大学 | 基于遗传算法的土地利用分形维数作用尺度的识别方法 |
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
US9619734B2 (en) * | 2013-09-11 | 2017-04-11 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN103839242A (zh) * | 2014-01-15 | 2014-06-04 | 中国科学院电子学研究所 | 一种基于高维索引的图像快速超分辨率增强方法 |
CN104077411A (zh) * | 2014-07-14 | 2014-10-01 | 中国科学院遥感与数字地球研究所 | 遥感卫星数据处理方法和系统 |
Non-Patent Citations (3)
Title |
---|
590345: "遗传算法理论和特点", 《HTTP://WWW.DOC88.COM/P-1993439896216.HTML》 * |
计算机技术与应用进展编委会: "《计算机技术与应用进展》", 31 July 2008, 中国科学技术大学出版社 * |
高亮等: "《柔性作业车间调度智能算法及其应用》", 31 October 2012, 华中科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489594A (zh) * | 2018-05-14 | 2019-11-22 | 北京松果电子有限公司 | 图像视觉标注方法、装置、存储介质及设备 |
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106227851B (zh) | 基于深度卷积神经网络的分层深度搜索的图像检索方法 | |
CN104809187B (zh) | 一种基于rgb‑d数据的室内场景语义标注方法 | |
CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
CN105631479A (zh) | 基于非平衡学习的深度卷积网络图像标注方法及装置 | |
Grilli et al. | Application of machine and deep learning strategies for the classification of heritage point clouds | |
Sun et al. | Study on the improvement of K-nearest-neighbor algorithm | |
CN113326377A (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
WO2023019698A1 (zh) | 基于富上下文网络的高光谱图像分类方法 | |
CN110019652A (zh) | 一种基于深度学习的跨模态哈希检索方法 | |
CN107046534A (zh) | 一种网络安全态势模型训练方法、识别方法及识别装置 | |
CN113268370B (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
CN101930454A (zh) | 上下文敏感的空间信息服务推送方法 | |
CN115272848B (zh) | 多云多雾耕地保护区内建筑物智能变化检测方法 | |
CN105335510A (zh) | 文本数据高效搜索方法 | |
CN107944503A (zh) | 一种基于图像识别的城市数据采集方法及系统 | |
Chen et al. | Learning a two-stage CNN model for multi-sized building detection in remote sensing images | |
CN114387608B (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
CN109583712B (zh) | 一种数据指标分析方法及装置、存储介质 | |
Prasad et al. | An efficient traffic forecasting system based on spatial data and decision trees. | |
Minuţ et al. | Creating a dataset and models based on convolutional neural networks to improve fruit classification | |
CN106844419A (zh) | 一种基于海量不完备数据集的skyline偏好查询方法 | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN107292353A (zh) | 一种果树分类方法及系统 | |
Yao et al. | Classification of urban aerial data based on pixel labelling with deep convolutional neural networks and logistic regression | |
CN102034102B (zh) | 图像显著对象提取方法、互补显著度图学习方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |